淘宝美工培训班_网站建设无锡_线上营销活动案例_seo网站推广如何做

一、概述

1.1 目的

Numpy 补充了 Python 语言所欠缺的数值计算能力

1.2 功能

Numpy 提供了对大型数组和矩阵进行计算的功能，是其他数据分析和机器学习的底层库

1.3 特点

Numpy 完全基于标准的 C 语言实现的，运行效率得到了充分优化，程序执行速度快，是机器学习的库基础

1.4 发展历史

• 1995年，建立了一个数值计算库 Numeric
• 2001年，在 Scipy 库中添加了名为 Numarray 的多维数组计算对象
• 2005年，Numeric + Numarray >> Numpy
• 2006年，Numpy 从 Scipy 中独立成为一个软件包，主要用于科学计算，如信号处理、数值微积分等

1.5 核心：多维数组

• 向量：即一维数组
• 矩阵：即二维数组
• 张量：即三维数组

1. 代码简洁：减少 Python 代码中的循环
2. 底层实现：厚内核（C）+ 薄接口（Python），保证性能

二、基础

2.1 ndarray数组

2.1.1 内存对象

（1）元数据（metadata）

对目标数组的描述信息，如dim count，dimensions，dtype，data等

（2）实际数据

完整的数组数据

Tips：

1. 元数据与实际数据分开存放的原因：

   • 提高了内存空间的使用效率
   • 减少了对实际数据的访问频率，提高性能

2.1.2 特点

1. Numpy 数组是同质数组，即所有的数据类型必须相同
2. Numpy 数组的下标从0开始，最后一个元素的下标为数组长度-1

2.1.3 创建

1. np.array()

arr1 = np.array([1, 2, 3, 4,5])
print(arr1)
print(type(arr1))
"""
[1 2 3 4 5]
<class 'numpy.ndarray'>
"""

2. np.arange(起始值, 终止值, 步长)

arr2 = np.arange(0, 10, 2) # 0-9，步长为2
print(arr2)
print(type(arr2))
"""
[0 2 4 6 8]
<class 'numpy.ndarray'>
"""

3. np.zeros(数组元素个数, dtype='类型')，np.ones(数组元素个数, dtype='类型')

arr3 = np.zeros(10)
print(arr3)arr4 = np.ones(10)
print(arr4)
"""
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
"""

2.1.4 基本操作

• 数组维度：np.ndarray.shape
• 元素类型：np.ndarray.dtype
• 元素个数：np.ndarray.size

arr1 = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]
])print("数组形状：", arr1.shape) # 输出数组形状
print("数组维度", arr1.ndim) # 输出数组维度
print('数组元素个数', arr1.size) # 输出数组元素个数
print('数组元素类型', arr1.dtype) # 输出数组元素类型
"""
数组形状： (2, 2, 3)
数组维度 3
数组元素个数 12
数组元素类型 int64
"""

• 索引访问

print("第一页：", arr1[0])
print("第一页 第一行：", arr1[0][0])
print("第一页 第一行 第一列：", arr1[0][0][0])
print(arr1[0, 0, 1])
"""
第一页： [[1 2 3][4 5 6]]
第一页 第一行： [1 2 3]
第一页 第一行 第一列： 1
2
"""

• for 循环遍历

for i in range(arr1.shape[0]): # 遍历每一页for j in range(arr1.shape[1]): # 遍历每一行for k in range(arr1.shape[2]): # 遍历每一列print(arr1[i][j][k], end=' ')print()
"""
1 2 3 
4 5 6 
7 8 9 
10 11 12 
"""

2.1.5 属性操作

（1）基本数据类型

类型分类	NumPy类型名	类型表示符（Python风格）	字符码（简洁表示）	存储大小/说明
布尔型	np.bool_	bool_	?	1字节，值为True或False
有符号整数型	np.int8/16/32/64	int8（-128~127）、int16、int32、int64	i1/i2/i4/i8	数字后的数字表示字节数，如i4对应4字节（32位），范围随字节增大而扩大
无符号整数型	np.uint8/16/32/64	uint8（0~255）、uint16、uint32、uint64	u1/u2/u4/u8	无负数，范围为0到2^n-1（n为位数，如u1对应8位，范围0~255）
浮点型	np.float16/32/64	float16（半精度）、float32（单精度）、float64（双精度）	f2/f4/f8	字节数对应精度，如f8为8字节（64位，Python默认浮点类型）
复数型	np.complex64/128	complex64（实虚部分各32位）、complex128（各64位）	c8/c16	总字节数为实虚部之和，如c8=4+4=8字节（对应complex64）
字符串型	np.str_	str_（固定长度Unicode字符串）	U<字符数>	每个字符占4字节（32位Unicode），如U3表示3个字符的字符串，总长度3×4=12字节
日期时间型	np.datetime64	按精度划分（年、月、日、时、分、秒）	M8[单位]	单位包括Y（年）、M（月）、D（日）、h（时）、m（分）、s（秒）等

1. 自定义复合类型数组

import numpy as npdata = [('zs', [90, 80, 85], 15),('ls', [92, 81, 83], 16),('ww', [95, 85, 95], 18)
]# 方式1：
# U3：长度为3的Unicode字符串
# 3int32：3个int32类型数字
# int32：int32类型数字
arr1 = np.array(data, dtype="U3, 3int32, int32")
print(arr1)
print(arr1[0]['f0'])
print(arr1[1]['f1'])
"""
[('zs', [90, 80, 85], 15) ('ls', [92, 81, 83], 16)('ww', [95, 85, 95], 18)]
zs
[92 81 83]
"""# 方式2：# dtype中定义(名称, 类型, 长度)
arr2 = np.array(data, dtype=[('name', 'str_', 2), ('score', 'int32', 3), ('age', 'int32', 1)])
print(arr2)
print(arr2['name']) # 打印name列
print(arr2['score']) # 打印score列
print(arr2['age']) # 打印age列
"""
[('zs', [90, 80, 85], [15]) ('ls', [92, 81, 83], [16])('ww', [95, 85, 95], [18])]
['zs' 'ls' 'ww']
[[90 80 85][92 81 83][95 85 95]]
[[15][16][18]]
"""# 方式3：
# 名称和类型分开定义
arr3 = np.array(data, dtype={"names":["name", "score", "age"], "formats":["U3", "3int32", "int32"]})
print(arr3[0]['name']) # 打印第一个人的名字
print(arr3[1]['score']) # 打印第二个人的成绩
"""
zs
[92 81 83]
"""# 方式4：
arr4 = np.array(data, dtype={'names':('U3', 0), 'scores':('3int32', 16), 'age':('int32', 28)})
print(arr4[0]['names']) # 打印第一个人的名字
print(arr4[0]['scores']) # 打印第一个人的成绩
print(arr4.itemsize) # 打印数组中每个元素的字节数
"""
zs
[90 80 85]
32
"""

2. 日期类型数组

import numpy as npf1 = np.array(['2020', '2020-01-01', '2021-01-01 01:01:01', '2020-02-01'])
f2 = f1.astype("M8[D]") # 转换为天数类型
print(f2)
f3 = f2.astype("int32") # 转换为int32类型，表示距离1970年1月1日的天数
print(f3)
f4 = f1.astype("M8[s]").astype("int32")
print(f4)
print(f2[3] - f2[0]) # 计算两个日期的差值
"""
['2020-01-01' '2020-01-01' '2021-01-01' '2020-02-01']
[18262 18262 18628 18293]
[1577836800 1577836800 1609462861 1580515200]
31 days
"""

3. 虚数类型数组

import numpy as npa = np.array([[1 + 1j, 2 + 4j, 3 + 7j],[4 + 2j, 5 + 5j, 6 + 8j],[7 + 3j, 8 + 6j, 9 + 9j]])
print(a.T) # 转置for x in a.flat:print(x.real, ", ", x.imag)

（2）维度操作

1. 视图变维（数据共享）：reshape()和ravel()
2. 就地变维：直接改变原数组对象的维度，不返回新数组
3. 复制变维（数据独立）：flatten()

import numpy as nparr1 = np.arange(1, 9)
print(arr1)
print(arr1.shape)
"""
[1 2 3 4 5 6 7 8]
(8,)
"""arr2 = arr1.reshape(2, 4)
print(arr2)
print(arr2.shape)
"""
[[1 2 3 4][5 6 7 8]]
(2, 4)
"""arr3 = arr2.reshape(2, 2, 2)
print(arr3)
print(arr3.shape)
"""
[[[1 2][3 4]][[5 6][7 8]]]
(2, 2, 2)
"""arr4 = arr3.ravel() # 将多维数组转换为一维数组
print(arr4)
"""
[1 2 3 4 5 6 7 8]
"""arr5 = arr3.flatten() # 将多维数组转换为一维数组，返回一个新的数组
print(arr5)
"""
[1 2 3 4 5 6 7 8]
"""arr1 += 10
print("arr1：", arr1)
print("arr2：", arr2)
print("arr3：", arr3)
print("arr4：", arr4)
print("arr5：", arr5) # arr5不受arr1影响，因为arr5是arr1的副本
"""
arr1： [11 12 13 14 15 16 17 18]
arr2： [[11 12 13 14][15 16 17 18]]
arr3： [[[11 12][13 14]][[15 16][17 18]]]
arr4： [11 12 13 14 15 16 17 18]
arr5： [1 2 3 4 5 6 7 8]
"""

（3）切片操作

• 数组对象[起始位置:终止位置:步长]

import numpy as npa = np.arange(1, 10)
print(a)  # 1 2 3 4 5 6 7 8 9print(a[:3])  # 1 2 3
print(a[3:6])   # 4 5 6
print(a[6:])  # 7 8 9
print(a[::-1])  # 9 8 7 6 5 4 3 2 1
print(a[:-4:-1])  # 9 8 7
print(a[-4:-7:-1])  # 6 5 4
print(a[-7::-1])  # 3 2 1
print(a[::])  # 1 2 3 4 5 6 7 8 9
print(a[:])  # 1 2 3 4 5 6 7 8 9
print(a[::3])  # 1 4 7
print(a[1::3])  # 2 5 8
print(a[2::3])  # 3 6 9

• a[:, :, :]

import numpy as npa = np.arange(1, 28) # 产生1~28(不包含28)范围内的数字
a.resize(3, 3, 3)
print(a)# 切出1页
print(a[1, :, :])# 切出所有页的1行
print(a[:, 1, :])# 切出0页所有行的第1列
print(a[0, :, 1])

• 掩码操作：比作筛子，即把True位置上的元素保留，False位置上的元素丢弃

import numpy as nparr1 = np.arange(1, 6, 1)
print(arr1)
mask = [True, False, True, False, False] # 掩码数组
print(arr1[mask])
"""
[1 2 3 4 5]
[1 3]
"""# 实际运用中，mask一般通过计算获取
mask = (arr1 >= 3)
print(mask)
"""
[False False  True  True  True]
"""

（4）其他属性

• shape：维度
• dtype：元素类型
• size：元素数量
• ndim：维数，len(shape)
• itemsize：元素字节数
• nbytes：总字节数
• real：复数数组的实部数组
• imag：复数数组的虚部数组
• T：数组对象的转置视图
• flat：扁平迭代器

2.2 与list互转

• 方式1：利用列表创建数组

import numpy as np# 创建一个一维 numpy 数组
arr1 = np.array([1, 2, 3, 4, 5])
print(type(arr1))# 使用 tolist() 方法转换为列表
L = arr1.tolist()
print(type(L))print(L)  # [1, 2, 3, 4, 5]

• 方式2：asarray()

# asarray将列表转行为数组
arr2 = np.asarray(L)
print(type(arr2))
print(arr2)

• 方式3：列表推导式

import numpy as np# 创建一个一维 numpy 数组
array_1d = np.array([1, 2, 3, 4, 5])# 使用列表推导式转换为列表
list_1d = [x for x in array_1d]
print(type(list_1d))
print(list_1d)  # [1, 2, 3, 4, 5]

Tips：

1. ndarray与list比较：

   • 归属：list 是 Python 内置类型，ndarray 是 Numpy 库的类型
   • 性能：在数值计算中，NumPy 数组的性能通常优于 Python 列表。因为 NumPy 数组是在 C 语言中实现的，而 Python 列表是在 Python 虚拟机中实现的
   • 功能：Numpy 数组提供了许多高级的数学函数和操作，而在列表中需要自己手动实现
   • 存储类型：Numpy 数组中的所有元素必须是相同的类型，而 Python 列表可以包含不同类型的元素
   • 索引和切片：Numpy 数组支持高效的索引和切片操作，而 Python 列表的这些操作通常较慢

---

微语录：在逆风中把握方向，做暴风雨中的海燕，做不改颜色的孤星。